1. 课程导论：可疑交易监测的背景与挑战、A/B测试在风控中的价值
1.1 可疑交易监测的背景与挑战
全球反洗钱（AML）与反恐怖融资（CTF）监管持续收紧。金融机构每年因可疑交易监测系统误报产生的运营成本高达数亿美元，而漏报则面临巨额罚款与声誉损失。传统规则引擎面临三大核心矛盾：
- 高误报率：规则模型通常产生 95% 以上的误报，导致调查团队资源被无效案例大量消耗。
- 低覆盖率：静态规则无法捕捉新型洗钱模式，如结构化交易、网络赌博资金归集、虚拟货币混币器。
- 迭代风险：模型更新缺乏量化验证手段，上线后可能引发系统性漏报或业务中断。
行业痛点数据：根据 ACAMS 2024 年报告，全球金融机构平均每年处理 120 万条可疑交易告警，其中仅 3%-5% 最终确认为可疑活动报告（SAR）。每一条误报平均消耗 12-18 分钟人工复核时间。
1.2 A/B测试在风控中的价值
A/B测试（又称分流实验）为风控模型迭代提供了因果推断的黄金标准。在可疑交易监测场景中，A/B测试的核心价值体现在：
| 维度 | 传统上线方式 | A/B测试驱动方式 |
|---|---|---|
| 验证方法 | 离线回测 + 小范围灰度 | 在线随机分流 + 统计显著性检验 |
| 评估指标 | 单一准确率或召回率 | 误报率、漏报率、调查效率、业务影响多维评估 |
| 风险控制 | 全量上线后发现问题回滚 | 实时监控，可随时停止实验，影响范围可控 |
| 决策依据 | 经验判断或简单对比 | 置信区间、p值、效应量等统计证据 |
关键认知：A/B测试不是简单的“对比两组数据”，而是通过随机化消除混杂变量，使观测到的效果差异可归因于模型变更本身。在风控领域，这直接关系到监管合规与模型可解释性。
1.3 本课程学习目标与适用人群
本课程旨在帮助风控从业者建立从实验设计到效果评估的完整知识体系，核心学习目标如下：
| 学习目标 | 具体内容 | 掌握程度 |
|---|---|---|
| 目标一 | 理解可疑交易监测场景下A/B测试的适用边界与风险 | 能判断哪些模型迭代适合A/B测试 |
| 目标二 | 掌握实验设计核心参数：样本量、分流比例、实验周期 | 能独立完成实验方案设计 |
| 目标三 | 熟练计算并解读风控专属评估指标 | 能使用Python/R完成指标计算 |
| 目标四 | 应用统计检验方法进行效果推断 | 能正确选择检验方法并解读结果 |
| 目标五 | 规避常见陷阱：辛普森悖论、多重比较、数据污染 | 能识别并防范实验偏差 |
适用人群：反洗钱分析师、风控策略工程师、模型验证人员、合规科技产品经理、金融监管科技研究人员。建议具备基础统计学知识（假设检验、置信区间）和至少一种数据分析工具（Python/SQL）的使用经验。
重要提示：本课程所有案例均基于脱敏模拟数据，不涉及真实金融机构客户信息。实际生产环境中实施A/B测试前，请务必获得合规与法务部门的书面批准，并确保实验方案符合当地监管要求（如 GDPR、CCPA、中国人民银行《反洗钱法》相关条款）。